动物资源是生物资源中重要的组成部分之一,而动物监测对保护动物资源起着关键作用。在野生动物保护方面,通过监测濒危野生物种,及时掌握危急情况并采取保护措施,避免濒危野生动物的灭绝,保持动物物种多样性;在牲畜养殖方面,通过监测牲畜的日常行为,实时处理牲畜的异常情况,不断契合精细养殖的需求。然而利用传统人工进行动物监测是耗时低效的,因此,深入研究面向野生动物和牲畜的监测技术具有重要意义。随着人工智能技术的发展及图像视频数据爆炸式地增长,采用计算机视觉技术实现智能化的动物监测逐渐得到了人们的广泛关注。目前,将计算机视觉技术应用于动物监测场景中的目标识别与检测研究较为成熟,而针对动物姿态及行为智能感知的研究尚处于起步阶段。本文将围绕基于计算机视觉技术的动物监测研究中的视频目标分割技术和姿态估计技术等关键问题展开深入研究。本文的主要研究与工作内容如下:（1）针对视频目标分割研究中目标变形及背景干扰的问题,提出了结合注意力机制的半监督视频目标分割模型。该模型利用混合域注意力机制关注视频帧中动物出现的重点区域,自主学习动物目标在通道及空间上的相关特征。一方面,通道域分支学习通道特征之间的关系,提升通道及空间相关特征对分割任务的贡献;另一方面,空间域分支提取目标的位置信息,抑制无关特征（如背景、非动物目标）对分割结果的影响。（2）针对动物姿态估计研究中带标注的动物姿态数据集严重不足的问题,提出了基于跨域自适应的动物姿态估计算法。不仅动物与人类之间的姿态存在某些相似先验,不同种类动物的骨架之间也存在一定的相近性。因此,本文利用大规模带标注的人体姿态数据集、小规模带标注的动物姿态数据集及以其他形式标注的动物数据集,构建了基于跨域自适应的动物姿态估计模型,把从带标注的数据中学习到的姿态信息迁移到未标注的动物类别上,进而利用源域与目标域之间共享的信息引导模型进行预测,实现对动物的姿态估计。（3）实验证明,本文提出的半监督视频目标分割模型及跨域自适应动物姿态估计模型均表现出良好的性能。半监督视频目标分割模型在三个公共数据集上相对于主流的算法,取得了更高的精度;而动物姿态估计模型针对未见类动物类别的姿态估计具有较高的精度,且优于主流的域自适应算法。